Data Visualization

Trực quan hóa dữ liệu là việc biểu diễn thông tin và dữ liệu dưới dạng đồ họa, đóng vai trò là lớp chuyển đổi quan trọng giúp chuyển đổi các tập dữ liệu số phức tạp thành các ngữ cảnh trực quan dễ tiếp cận như biểu đồ, đồ thị và bản đồ. Trong các lĩnh vực chuyên biệt như Trí tuệ nhân tạo (AI) và Học máy (ML), phương pháp này là không thể thiếu để diễn giải các mảng tensor và xác suất khổng lồ mà các model tạo ra. Bằng cách tận dụng các công cụ như Ultralytics Platform, các kỹ sư có thể trực quan hóa các chú thích tập dữ liệu và tiến trình huấn luyện, giúp dễ dàng xác định các xu hướng, điểm ngoại lai và các mẫu hình vốn vẫn ẩn giấu trong các bảng tính thô. Việc trực quan hóa hiệu quả thúc đẩy sự minh bạch, cho phép các lập trình viên debug hệ thống và giúp các bên liên quan tin tưởng vào các quy trình ra quyết định tự động.

Link to this sectionVai trò của Trực quan hóa trong Computer Vision#

Đối với các quy trình Computer Vision (CV), trực quan hóa được áp dụng ở mọi giai đoạn của vòng đời model, từ thu thập dữ liệu ban đầu đến triển khai cuối cùng.

• Phân tích dữ liệu khám phá (EDA): Trước khi huấn luyện, các chuyên gia sử dụng trực quan hóa để hiểu dữ liệu đầu vào của mình. Các thư viện như Matplotlib và Seaborn hỗ trợ vẽ biểu đồ phân phối lớp để phát hiện độ lệch tập dữ liệu. Phân tích các phân phối này đảm bảo rằng dữ liệu huấn luyện đại diện chính xác cho môi trường thực tế.
• Động lực huấn luyện: Trong quá trình học, các kỹ sư theo dõi hiệu suất bằng cách vẽ đồ thị loss function và accuracy theo thời gian. Các công cụ như TensorBoard hoặc Weights & Biases cho phép người dùng theo dõi các chỉ số này theo thời gian thực, giúp sớm phát hiện các vấn đề như overfitting hoặc vanishing gradients trong quá trình thực hiện.
• Kết quả Inference: Ứng dụng trực tiếp nhất bao gồm việc phủ các dự đoán của model lên trên hình ảnh. Điều này bao gồm việc vẽ bounding boxes cho các tác vụ phát hiện, vẽ mặt nạ theo từng pixel cho image segmentation, hoặc vẽ các keypoints cho pose estimation.

Link to this sectionCác ứng dụng trong thực tế#

Trực quan hóa thu hẹp khoảng cách giữa các chỉ số kỹ thuật và giá trị kinh doanh trong nhiều ngành công nghiệp khác nhau.

1. Chẩn đoán chăm sóc sức khỏe: Trong AI in Healthcare, trực quan hóa được sử dụng để làm nổi bật các bất thường trong chẩn đoán hình ảnh y tế. Ví dụ, một model xử lý ảnh quét MRI có thể sử dụng lớp phủ phân đoạn để mã màu các vùng khối u. Hỗ trợ trực quan này giúp các bác sĩ chẩn đoán hình ảnh đưa ra chẩn đoán nhanh hơn và chính xác hơn, đóng vai trò là thành phần cốt lõi của Explainable AI (XAI).

2. Phân tích bán lẻ: Đối với AI in Retail, các quản lý cửa hàng sử dụng các bản đồ nhiệt (heatmaps) được tạo từ các nguồn cấp dữ liệu giám sát. Những hình ảnh trực quan này tổng hợp các kiểu di chuyển của khách hàng theo thời gian, tiết lộ các "điểm nóng" nơi có lưu lượng người qua lại cao. Dữ liệu này cung cấp thông tin cho việc tối ưu hóa bố trí cửa hàng và các chiến lược đặt sản phẩm mà không cần người dùng phải phân tích các log tọa độ thô.

Link to this sectionPhân biệt các thuật ngữ liên quan#

• Data Analytics: Đây là khoa học rộng hơn về phân tích dữ liệu thô để đưa ra kết luận. Trực quan hóa là một kỹ thuật được sử dụng trong phân tích để trình bày các phát hiện. Bạn có thể đọc thêm về sự khác biệt này trong hướng dẫn phân tích của Tableau.
• Data Mining: Data mining tập trung vào việc khám phá thuật toán các mẫu hình và mối tương quan trong các tập dữ liệu lớn. Trong khi khai thác trích xuất các thông tin chi tiết, trực quan hóa cung cấp giao diện đồ họa để xem chúng.
• Dashboarding: Dashboard là tập hợp nhiều hình ảnh trực quan được tổ chức trên một màn hình duy nhất để cung cấp cái nhìn tổng quan toàn diện về sức khỏe hệ thống hoặc các chỉ số KPI kinh doanh, thường được sử dụng trong các công cụ thông minh kinh doanh như Microsoft Power BI.

Link to this sectionTriển khai Trực quan hóa với Ultralytics#

The Ultralytics API simplifies the visualization of inference results. The following example demonstrates how to load a YOLO26 model and display the detected objects with their labels and confidence scores directly on the image.

from ultralytics import YOLO

# Load the latest YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")

# Run inference on an image source
results = model("https://ultralytics.com/images/bus.jpg")

# Visualize the results
for result in results:
    # plot() returns a BGR numpy array of the annotated image
    im_array = result.plot()
    # show() displays the image directly using the default image viewer
    result.show()

Đoạn code này tự động xử lý việc vẽ các khung và nhãn, cho phép các lập trình viên ngay lập tức xác minh khả năng của model đối với các tác vụ object detection.